CN114358667A - 一种基于rbf网络学习的景区风险预测模型构建方法 - Google Patents

Abstract

本发明公开了一种基于RBF网络学习的景区风险预测模型构建方法，包括以下步骤：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的相对固定因素，并采用线性假设方式将提取的相对固定因素组合为景区风险线性函数；浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的的浮动因素；风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。本发明可以定量的反映旅游景区的风险情况，将有限的救援力量投入关键的地点，提高救援的精准度，降低风险发生的概率。

Description

一种基于RBF网络学习的景区风险预测模型构建方法

技术领域

本发明涉及大数据治理领域，尤其涉及一种基于RBF网络学习的景区风险预测模型构建方法，适用于城市治理。

背景技术

旅游景区是旅游业发展的最核心因素，是旅游消费活动的最终载体，与酒店、旅行社和交通工具等旅游因素相比，景区具有较强的不可替代性。在城市治理中，当节假日到来时，景区的客流会呈现爆发式增长，景区隐患点发生风险的可能性也会较平时有显著的提高。

为了确保节假日期间城市景区的安全运营，必须建立可以在节假日旅游景区进行风险评估模型，将有限的救援力量投入关键的地点，提高救援的精准度，降低风险发生的概率。

如申请号为CN202011515953.3专利申请公开了一种建立风险预测模型的方法、区域风险预测方法及对应装置，方法通过获取训练数据，包括各样本区域的风险等级和所属地区风险等级的标注结果；利用训练数据训练包括编码网络、判别网络和分类网络的初始模型，训练完毕后利用编码网络和分类网络得到风险预测模型；其中，编码网络利用样本区域的区域特征编码得到各样本区域的特征表示；判别网络依据样本区域的特征表示识别样本区域所属地区的风险等级；分类网络依据样本区域的特征表示识别样本区域的风险等级；训练目标包括：最小化判别网络对属于不同风险等级地区的样本区域的识别差异，最小化分类网络对样本区域的识别结果与标注结果的差异。该方案同建立风险预测模型实现针对目标区域的风险预测，但是未考虑固定因素和浮动因素对景区风险预测准确性的影响，在模型的准确性描述上有待提高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于RBF网络学习的景区风险预测模型构建方法，可以定量的反映旅游景区的风险情况，将有限的救援力量投入关键的地点，提高救援的精准度，降低风险发生的概率。

本发明的目的是通过以下技术方案来实现的：

一种基于RBF网络学习的景区风险预测模型构建方法，包括以下步骤：

步骤一：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的固定因素，并采用线性假设方式将提取的固定因素组合为景区风险线性函数；

步骤二：浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的的浮动因素；

步骤三：风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。

景区历史旅游数据包括：景区天气、历史平均游客接待量、景区隐患点、救援力量分布情况、景区客流和游客投诉数据。

采用线性假设方式将提取的固定因素组合为景区风险线性函数过程具体包括：

采用线性假设方式将景区天气、历史平均游客接待量、景区隐患点和救援力量分布情况的固定因素组合成景区风险线性函数，函数具体如下式所示：

其中，

为固定因素的影响系数；

为固定因素；U为景区风险线性函数。

步骤二具体包括：根据获取的景区历史旅游数据，将景区客流和游客投诉数据作为浮动因素，构建RBF网络并利用RBF网络将非线性的浮动因素转换为线性相关的浮动因素，线性相关转换公式如下式所示：

其中：

，

，

；

其中，b_i为浮动因素影响系数；R_i为浮动因素；x_i为第i个浮动因素；x_max为最大浮动因素；c为浮动因素算数平均值；m为浮动因素的个数。

浮动因素提取过程中还包括使用均匀设计法确定RBF网络选取的样本，该过程具体包括：

取p个景点最近q次的景区客流、游客投诉数据，分别计算每个景点q个数据的平均值k_i：

根据y_j和k_i计算出z_j：

，其中，y_j：第j个样本的数据值；z_j：第j个样本平均值；

确保z_j在[-1, 1]的区间范围，如计算结果不在区间范围内，则选取新的样本数据进行替换；

通过上述计算操作获得一个p行q列的二维表，每一行是1个景点q次样本数据；取第1列、第q/2列、第q列数据，记为u₁、u₂、u₃，代入下面的正交函数计算出特征值x₁~x_q，正交函数如下式所示：

最后利用线性相关转换公式计算出景区风险的浮动因素。

合并固定要素影响和浮动要素影响得到的最终景区风险模型如下式所示：

，其中，G为景区风险模型评分，U为景区风险线性函数，V为线性相关转换公式，

为固定因素的影响系数，b_i为浮动因素影响系数，

为固定因素，R_i为浮动因素。

本发明的有益效果：本发明结合城市节假日旅游景区治理调度的业务需求，从景区天气、历史平均游客接待量、景区隐患点、救援力量分布、景区客流、游客投诉等方面的数据，构建城市节假日旅游景点风险预测模型，再根据模型评估旅游景点的风险区域。

附图说明

图1是本发明的方法步骤流程图。

图2是本发明的RBF网络结构示意图。

具体实施方式

为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现对本发明的技术方案精选以下详细说明。显然，所描述的实施案例是本发明一部分实施例，而不是全部实施例，不能理解为对本发明可实施范围的限定。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他所有实施例，都属于本发明的保护范围。

在城市治理中，当节假日到来时，景区的客流会呈现爆发式增长，景区隐患点发生风险的可能性也会较平时有显著的提高，本发明为了可以定量的反映旅游景区的风险情况，将有限的救援力量投入关键的地点，设计了一种基于RBF网络学习的景区风险预测模型构建方法，可以提高救援的精准度，降低风险发生的概率，本发明设计的方法具体内容见下列实施例。

实施例一：

本实施例中，如图1所示，一种基于RBF网络学习的景区风险预测模型构建方法，包括以下步骤：

步骤一：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的固定因素，并采用线性假设方式将提取的固定因素组合为景区风险线性函数；

步骤二：浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的的浮动因素；

步骤三：风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。

景区历史旅游数据包括：景区天气、历史平均游客接待量、景区隐患点、救援力量分布情况、景区客流和游客投诉数据。

本实施例中，采用线性假设方式将提取的固定因素组合为景区风险线性函数过程具体包括：

采用线性假设方式将景区天气、历史平均游客接待量、景区隐患点和救援力量分布情况的固定因素组合成景区风险线性函数，函数具体如下式所示：

其中，

为固定因素的影响系数；

为固定因素；U为景区风险线性函数。

本实施例的步骤二具体包括：根据获取的景区历史旅游数据，将景区客流和游客投诉数据作为浮动因素，构建RBF网络并利用RBF网络将非线性的浮动因素转换为线性相关的浮动因素，线性相关转换公式如下式所示：

其中：

，

，

；

其中，b_i为浮动因素影响系数；R_i为浮动因素；x_i为第i个浮动因素；x_max为最大浮动因素；c为浮动因素算数平均值；m为浮动因素的个数。

浮动因素提取过程中还包括使用均匀设计法确定RBF网络选取的样本，该过程具体包括：

取p个景点最近q次的景区客流、游客投诉数据，分别计算每个景点q个数据的平均值k_i：

根据y_j和k_i计算出z_j：

，其中，y_j：第j个样本的数据值；z_j：第j个样本平均值；

确保z_j在[-1, 1]的区间范围，如计算结果不在区间范围内，则选取新的样本数据进行替换；

通过上述计算操作获得一个p行q列的二维表，每一行是1个景点q次样本数据；取第1列、第q/2列、第q列数据，记为u₁、u₂、u₃，代入下面的正交函数计算出特征值x₁~x_q，正交函数如下式所示：

最后利用线性相关转换公式计算出景区风险的浮动因素。

合并固定要素影响和浮动要素影响得到的最终景区风险模型如下式所示：

， G为景区风险模型评分，U为景区风险线性函数，V为线性相关转换公式，

为固定因素的影响系数，b_i为浮动因素影响系数，

为固定因素，R_i为浮动因素，通过景区风险模型评分G可以评估预测景区的风险大小。

实施例二：

本实施例中，在实施例一的基础上，对实施例一中涉及的技术手段进行详细阐述。

本实施例中，使用线性假设描述影响景区风险的固定因素，对于在一段时间影响景区风险大小的固定要素，即景区天气、历史平均游客接待量、景区隐患点、救援力量分布情况等数据，采用线性假设方式将这些因子组合成景区风险线性函数U，根据提取的固定因素，景区风险线性函数可进一步表示为U=a₁*S₁+a₂*S₂+a₃*S₃+a₄*S₄。

其中，S₁为引起景区风险天气发生的概率（如降水概率、降雪概率、大风概率）；S₂为景区历史平均游客接待率（即历史游客接待数/景区安全承载量）；S₃为单位面积的隐患点数量（即隐患点加权数量/景区面积，隐患点加权数量=高风险隐患点数量*1.2+中风险隐患点数量*1+低风险隐患点数量*0.8）；S₄为单位面积的救援人员数量（即救援人员数量/景区面积）。a₁、a₂、a₃、a₄分别为以上4个固定因素的影响系数，根据实际情况和经验调整。

本实施例中，RBF网络，即径向基网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。流图如图2所示。

本实施例中，使用RBF网络将非线性关系转换成线性关系，对于景区客流、游客投诉数据这两个浮动要素，当它们在安全阈值以下时，对景区风险影响程度很小；但当它们超过安全阈值后，对景区风险影响程度会极具上升，即对景区风险的影响是非线性相关，为了便于描述，本实施例采用RBF网络对这2个因素进行处理，将非线性相关转换成线性相关。

本实施例涉及的方法 结合城市节假日旅游景区治理调度的业务需求，从景区天气、历史平均游客接待量、景区隐患点、救援力量分布、景区客流、游客投诉等方面的数据，构建城市节假日旅游景点风险预测模型，再根据模型评估旅游景点的风险区域。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，包括以下步骤：

步骤一：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的固定因素，并采用线性假设方式将提取的固定因素组合为景区风险线性函数；

步骤二：浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的浮动因素；

步骤三：风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。

2.根据权利要求1所述的一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，所述景区历史旅游数据包括：景区天气、历史平均游客接待量、景区隐患点、救援力量分布情况、景区客流和游客投诉数据。

3.根据权利要求1所述的一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，所述采用线性假设方式将提取的固定因素组合为景区风险线性函数过程具体包括：

采用线性假设方式将景区天气、历史平均游客接待量、景区隐患点和救援力量分布情况的固定因素组合成景区风险线性函数，函数具体如下式所示：

其中，

为固定因素的影响系数；

为固定因素；U为景区风险线性函数。

4.根据权利要求1所述的一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，所述步骤二具体包括：根据获取的景区历史旅游数据，将景区客流和游客投诉数据作为浮动因素，构建RBF网络并利用RBF网络将非线性的浮动因素转换为线性相关的浮动因素，线性相关转换公式如下式所示：

其中：

；

；

；

其中，b_i为浮动因素影响系数；R_i为浮动因素；x_i为第i个浮动因素；x_max为最大浮动因素；c为浮动因素算数平均值；m为浮动因素的个数；

使用均匀设计法确定RBF网络选取的样本过程具体包括：

取p个景点最近q次的景区客流、游客投诉数据，分别计算每个景点q个数据的平均值k_i：

根据y_j和k_i计算出z_j：

，其中，y_j为第j个样本的数据值；z_j为第j个样本平均值；

确保z_j在[-1, 1]的区间范围，如计算结果不在区间范围内，则选取新的样本数据进行替换；

通过上述计算操作获得一个p行q列的二维表，每一行是1个景点q次样本数据；取第1列、第q/2列、第q列数据，记为u₁、u₂、u₃，代入下面的正交函数计算出特征值x₁~x_q，正交函数如下式所示：

最后利用线性相关转换公式计算出景区风险的浮动因素。

5.根据权利要求1所述的一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，所述最终景区风险模型如下式所示：

；

其中，G为景区风险模型评分，U为景区风险线性函数，V为线性相关转换公式，

为固定因素的影响系数，b_i为浮动因素影响系数，

为固定因素，R_i为浮动因素。

Images